基于近红外光谱和机器视觉技术的淡水鱼新鲜度检测方法研究

摘要

新鲜度是鱼类最重要的品质指标，直接关系到食品的质量与安全。传统的方法虽然能在一定程度上检测出淡水鱼的新鲜度，但是存在速度较慢、费时费力、结果不精确等缺点，因此，快速、无损的淡水鱼新鲜度检测方法对于鱼类的保鲜，贮藏以及深加工等都有着极其重要的意义。
　　 论文研究了近红外光谱技术和机器视觉技术检测淡水整鱼新鲜度的方法，通过采集淡水鱼鱼体胸部、腹部、尾部3个不同部位在有鳞、无鳞两种状态的近红外光谱，建立了近红外光谱与挥发性盐基氮(TVB-N)以及储藏时间(Stored Days)之间的偏最小二乘回归PLSR模型，并通过特征波长提取，进一步对模型进行优化。通过构建机器视觉图像采集系统，采集淡水鱼图像，利用上山法结合区域生长法的图像处理方法，从淡水鱼机器视觉图像中分割出鱼眼区域，并提取出该区域的R、G、B、H、S、I6个颜色分量均值，以建立各颜色分量均值与TVB-N值及贮藏时间的一元线性、多元线性、多元非线性模型，并比较不同模型的差异。同时为了进一步提高TVB-N定量分析模型的精度，研究了建立基于近红外光谱和机器视觉多源信息融合技术的淡水鱼新鲜度检测模型的方法。
　　 主要研究结果如下:
　　 1.获取了不同新鲜度等级的淡水鱼样本集，研究KS、RS、SPXY三种样本划分方法及FD、DT、MSC、AS多种光谱预处理方法对建模结果的影响，结果表明，SPXY为最优的样本划分方法，FD+DT（平滑点数3）为最优的光谱预处理方法。
　　 2.研究了鱼鳞、光谱采集部位等影响因素对TVB-N值及贮藏时间定量分析模型的影响。结果表明，对于TVB-N值定量分析，有鳞状态下的尾部为最佳光谱采集部位，该部位的PLS建模结果为RMSECV=2.341、RMSEP-1.355、Rc=0.893、R(P)=0.837;对于贮藏时间定量分析，有鳞状态时的尾部同样为最佳光谱采集部位，该部位的PLS建模结果为RMSECV=1.267、RMSEP=1.057、Rc=0.939、R(P)=0.918。
　　 3.研究了不同波长变量选择方法对TVB-N值及贮藏时间定量分析模型的优化。对于TVB-N值定量分析模型优化，采用CARS、GA、SPA三种波长变量选择方法对有鳞时尾部的TVB-N值定量分析模型进行了优化，结果表明，CARS为较优的波长变量选择方法，CARS选择的波长变量为23个，通过归纳3种波长变量选择方法选择的特征波长的分布区间，得出TVB-N值定量分析的最优波段为800nm～1100nm，采用CARS方法选择的23个波长建立的PLS模型为TVB-N值定量分析最优模型，模型的RMSECV=1.342、RMSEP=0.589、Rc=0.955、R(P)=0.957，利用TVB-N值定量分析最优模型对淡水鱼进行新鲜度评价，预测集识别准确率为86.67％。对于贮藏时间定量分析模型优化，CARS选择的波长变量为31个，采用CARS方法选择的31波长变量建立的PLS模型为贮藏时间定量分析最优模型，模型的RMSECV=0.540，RMSEP=0.917,Rc=0.987,R(P)=0.983。
　　 4.构建了淡水鱼机器视觉图像采集平台，采集了淡水鱼图像，提出了一种上山法结合区域生长法的图像处理方法，从淡水鱼图像中分割出了鱼眼区域，并提取出了鱼眼区域的R、G、B、H、S、I共6个颜色分量均值。
　　 5.建立了鱼眼区域颜色特征与TVB-N值及贮藏时间的一元线性、多元线性、BP人工神经网络非线性模型。结果表明，R、G、B颜色分量建立的BP人工神经网络模型较优，对于TVB-N值预测，预测相关系数Rp=0.947，对于贮藏时间预测，预测相关系数Rp=0.992。采用R、G、B颜色分量建立的TVB-N值BP人工神经网络模型对淡水鱼进行新鲜度评价，预测集识别准确率为93.33％.
　　 6.研究了近红外光谱和机器视觉融合技术的新鲜度检测方法。采用BP人工神经网络将近红外光谱数据与机器视觉图像数据进行特征层融合，建立了BP人工神经网络融合模型，该模型的TVB-N值预测相关系数Rp=0.986，结果表明，对于淡水鱼的TVB-N值检测，融合模型较单一的近红外模型或机器视觉模型准确率更高，采用融合模型对淡水鱼进行新鲜度评价，预测集识别准确率为100％。

目录

声明

摘要

缩略语表

第1章 绪论

1．1 研究目的及意义

1．2 淡水鱼新鲜度的传统检测方法

1．3 近红外光谱技术在鱼类新鲜度检测中的应用现状

1．4 机器视觉技术在鱼类新鲜度检测中的应用现状

1．5 研究内容和技术路线

1．5．1 研究内容

1．5．2 技术路线

1．6 本章小结

第2章 基于近红外光谱技术的淡水鱼新鲜度检测

2．1 近红外光谱分析基础

2．1．1 近红外光谱分析原理

2．1．2 近红外光谱分析步骤

2．2 近红外光谱分析方法

2．2．1 样本集划分方法

2．2．2 光谱预处理方法

2．2．3 建模方法

2．2．4 模型评价方法

2．3 试验材料和方法

2．3．1 淡水鱼样本的选择

2．3．2 近红外光谱仪及光谱采集方式

2．3．3 挥发性盐基氮(TVB-N)的测量

2．4 挥发性盐基氮(TVB-N)定量分析模型的影响因素

2．4．1 样本划分方法及光谱预处理方法对建模结果的影响

2．4．2 鱼鳞对建模结果的影响

2．4．3 光谱采集部位对建模结果的影响

2．4．4 最佳新鲜度检测条件的确定

2．5 贮藏时间定量分析模型的影响因素

2．5．1 鱼鳞对建模结果的影响

2．5．2 光谱采集部位对建模结果的影响

2．5．3 最佳新鲜度检测条件的确定

2．6 本章小结

第3章 基于特征波长选择方法的新鲜度定量分析模型优化

3．1 近红外光谱特征波长选择的意义

3．2 常用的波长变量选择方法及其原理

3．2．1 遗传算法(GA)

3．2．2 连续投影算法(SPA)

3．2．3 竞争性自适应重加权算法(CARS)

3．3 TVB-N值定量分析模型的优化

3．3．1 基于遗传算法的模型优化

3．3．2 基于连续投影算法的模型优化

3．3．3 基于竞争性自适应重加权算法的模型优化

3．3．4 TVB-N值定量分析最优模型的确定

3．3．5 基于TVB-N值定量分析最优模型的淡水鱼新鲜度评价

3．4 贮藏时间定量分析模型的优化及最优模型的确定

3．5 本章小结

第4章 基于机器视觉图像特征的淡水鱼新鲜度检测

4．1 机器视觉技术

4．2 数字图像处理技术

4．2．1 图像滤波

4．2．2 图像分割

4．2．3 图像形态学处理

4．3 基础颜色模型

4．3．1 RGB颜色模型

4．3．2 HSI颜色模型

4．4 图像采集系统

4．5 图像采集

4．6 上山法结合区域生长法的鱼眼区域颜色特征提取

4．6．1 上山法

4．6．2 区域生长法

4．6．3 颜色特征的提取

4．7 颜色特征与TVB-N值及贮藏时间的一元线性分析

4．7．1 颜色特征与TVB-N值的一元线性分析

4．7．2 颜色特征与贮藏时间的一元线性分析

4．8 颜色特征与TVB-N值及贮藏时间的多元线性分析

4．8．1 颜色特征与TVB-N值的多元线性分析

4．8．2 颜色特征与贮藏时间的多元线性分析

4．9 颜色特征与TVB-N值及贮藏时间的多元非线性分析

4．9．1 BP人工神经网络

4．9．2 基于BP人工神经网络的颜色特征与TVB-N值多元非线性分析

4．9．3 基于BP人工神经网络的颜色特征与贮藏时间的多元非线性分析

4．9．4 基于BP人工神经网络的淡水鱼新鲜度评价

4．10 本章小结

第5章 基于近红外光谱和机器视觉信息融合的新鲜度检测

5．1 淡水鱼新鲜度检测信息融合的必要性

5．2 常用的多源信息融合方式

5．2．1 原始数据层融合

5．2．2 特征层融合

5．2．3 决策层融合

5．3 常用的多源信息融合方法

5．3．1 模糊逻辑

5．3．2 人工神经网络

5．3．3 支持向量机

5．4 基于BP人工神经网络信息融合的淡水鱼新鲜度检测

5．4．1 光谱特征信息的提取

5．4．2 图像特征信息的提取

5．4．3 基于BP人工神经网络数据融合模型的建立及预测

5．4．4 基于BP人工神经网络数据融合模型的新鲜度评价

5．5 本章小结

第6章 结论与讨论

6．1 结论

6．2 讨论

参考文献

致谢

硕士研究生期间的科研工作